虽然免疫检查点抑制剂(ICIs)可以为癌症患者提供挽救生命的治疗，但它们也被发现会引起免疫相关不良事件(irAEs)——几乎可以不同程度影响身体每个器官的副作用。现实世界数据集中irae的频率和严重程度尚不清楚，这使得很难有效地跨机构合并病例，并获得对这些患者的最佳管理的见解。由于目前调查irae的方法是手工完成的，效率低下，麻省总医院布里格姆分校的研究人员采用了预先构建的大型语言模型(LLM)来识别与医院环境中irae实例相关的信息。

LLM确定了最常见的住院irae，包括ici诱导的结肠炎、肝炎、肺炎和ici诱导的心肌炎，这些可能是致命的。将LLM与国际疾病分类(ICD)代码的性能进行比较，后者回顾性地识别irae，并显示出更高的准确性。研究结果发表在《临床肿瘤学杂志》上。

“与ICD编码相比，LLM不仅在检测irae方面表现出更高的准确性，而且它还识别出了额外的irae病例，而不是通过人工判断，具有出色的特异性/敏感性，每张图表仅需9.53秒，”通讯作者、麻省总医院癌症中心严重免疫治疗并发症项目主任Kerry Reynolds医学博士说。“作为一种免费和开源的模式，法学硕士渠道开辟了这一领域，使其他机构能够快速重建类似的数据库，并有可能以前所未有的方式点燃合作。”

本研究分析了接受ICI治疗后住院患者的10年黄金标准数据，人工整理数据集。

雷诺兹说:“结果表明，该模型在四个irae中始终达到90%以上的灵敏度和特异性，这是非常出色的。”“从历史上看，irae领域的合作一直集中在大型学术中心，使较小的社区医院很少有机会做出贡献。这项研究有可能改变这一点。这项研究中提出的LLM需要最少的计算资源，可以在本地机器上运行，我们渴望与更广泛的社区分享。”